Электрическая сеть города, разветвлённая система рек, нейроны в мозге, газопроводы. Всё это не сплошные области, а сети, и дифференциальные уравнения на них приходится решать прямо на графах. Классические численные методы на таких топологиях требуют сложной сборки сеток и стыковки условий в каждом узле. Команда исследователей предложила другой путь: фреймворк QGPINNs, где каждое ребро графа аппроксимирует отдельная нейросеть, а единая функция потерь связывает их в глобальное решение. Результат: относительная ошибка порядка 10⁻⁵ на задачах, где стандартный PINN-подход даёт 10⁻².

Что такое QGPINNs

QGPINNs (Quantum Graph Physics-Informed Neural Networks) — это фреймворк на PyTorch для численного решения нелокальных дифференциальных уравнений на квантовых графах. Квантовый граф здесь не про квантовые вычисления, а математический объект: метрический граф, на рёбрах которого задан дифференциальный оператор, а в вершинах условия сопряжения. Фреймворк покрывает два класса задач: нелинейные эллиптические уравнения с дробными производными разных порядков и эволюционные уравнения с дробной производной по времени.

Почему дробные производные и графы

Обычные дифференциальные уравнения описывают процессы, где следующее состояние системы зависит только от текущего. Но в пористых средах, вязкоупругих материалах и биологических тканях встречается аномальная диффузия: система «помнит» свою историю. Для таких процессов нужны дробные производные, например производная Капуто порядка 0.5 или 1.5. Они нелокальны по определению: значение в точке зависит от всей предыстории.

Вторая сложность, геометрия. Многие реальные системы живут не на плоскости и не в объёме, а на сетевых структурах. Ток в электросети течёт по линиям передач и разветвляется в подстанциях. Вода в мелиоративной системе движется по каналам с густой растительностью на берегах, что порождает нелокальное распространение волн. Высокочастотные скачки напряжения в энергосистеме подвержены эффектам памяти. Всё это естественно моделируется уравнениями на графах, где каждое ребро — интервал с координатой, а в узлах действуют условия непрерывности и баланса потоков, известные как условия Кирхгофа-Неймана.

До недавнего времени такие задачи решали классическими методами: конечные элементы, конечные разности, спектральные схемы. Они работают, но требуют построения сетки на каждом ребре и аккуратной стыковки условий в вершинах. Для графа с сотнями рёбер это превращается в инженерный квест: матрица жёсткости собирается по рёбрам, условия Кирхгофа накладываются через множители Лагранжа, а обратная задача требует отдельного аппарата. Physics-informed neural networks предлагают альтернативу без сетки: нейросеть аппроксимирует решение, а физика зашита в функцию потерь.

Как устроен фреймворк

Ключевая идея QGPINNs: вместо одной большой сети на весь граф используется отдельная нейросеть на каждое ребро. Сеть на ребре принимает пространственную координату (и время для эволюционных задач) и выдаёт значение решения. Затем все локальные аппроксимации связываются в глобальное решение через единую функцию потерь.

Полный лосс складывается из двух частей. Первая, сумма невязок уравнений по всем рёбрам: насколько выход сети нарушает само дифференциальное уравнение в контрольных точках. Вторая, штраф за нарушение условий в вершинах с весовым коэффициентом λ: непрерывность решения на стыках, баланс потоков по Кирхгофу-Нейману, граничные условия Дирихле и начальные условия для эволюционных задач. Дробные производные внутри уравнений вычисляются численно через градуированные сетки, причём фреймворк поддерживает две стратегии: вспомогательную сетку с отдельными тренировочными точками или унифицированную, где сетка для производной Капуто одновременно служит точками обучения сети.

Модульный дизайн на PyTorch означает, что пользователю не нужно разбираться во внутренностях фреймворка: задача описывается декларативно, топология графа задаётся отдельно, и тот же код работает на графе из четырёх рёбер и на реальной сетевой инфраструктуре.

Четыре стратегии, которые дают точность 10⁻⁵

Самое интересное в работе, систематическое сравнение обучающих стратегий. Авторы берут нелинейное эллиптическое уравнение с дробными производными порядков α=1.5 и β=0.5 на «головастике» (tadpole graph, классический тестовый граф из петли и хвоста) и по очереди включают улучшения.

Базовый вариант даёт относительную L2-ошибку порядка 2.6×10⁻². Это типичный уровень стандартного PINN: работает, но для инженерных расчётов грубовато. Добавление мягких и жёстких ограничений на граничные условия ситуацию почти не меняет: 2.5×10⁻². Перелом даёт обучаемый признак захвата сингулярности, специальный компонент, который учится аппроксимировать слабую особенность решения, типичную для дробных уравнений. Ошибка падает до 1.33×10⁻⁴, то есть на два порядка. Финальный штрих — Fourier feature embedding, который помогает сети представлять высокочастотные компоненты решения. Итоговая ошибка: 8.5×10⁻⁵. Цена вопроса — дополнительные 141 МБ видеопамяти и рост времени эпохи с 250 до 391 миллисекунды.

Поверх этого работает динамическая балансировка компонентов лосса. Невязки уравнений, условия в вершинах и граничные условия живут в разных масштабах, и с фиксированными весами градиентный спуск застревает, занижая одну часть ради другой. Фреймворк автоматически перенастраивает веса в процессе обучения, чтобы ни одно физическое ограничение не «провисало». Три порядка точности за умеренную добавку памяти — хороший размен. Важно и то, что каждая стратегия отвечает за свой механизм отказа: без захвата сингулярности сеть «размазывает» особенность вблизи вершин, без Fourier-признаков она недоучивает осцилляции.

От тестовых графов к реальной инфраструктуре

Фреймворк проверили на четырёх задачах возрастающей сложности. Первая, упомянутое эллиптическое уравнение на головастике с точным аналитическим решением для калибровки. Вторая, дробное по времени уравнение диффузии на том же графе. Здесь авторы сравнили две схемы дискретизации производной Капуто и две стратегии размещения точек. Унифицированная сетка, где узлы дискретизации дробной производной совпадают с тренировочными точками сети, оказалась не только удобнее, но и дешевле: по данным статьи она сокращает вычислительные затраты при сопоставимой точности порядка 10⁻⁴–10⁻⁵. Схема повышенного порядка L2-1σ стабильно обыгрывает базовую L1 при тех же параметрах сети.

Третья и четвёртая задачи уже без точного решения, зато с реальной физикой. Уравнение Бюргерса с дробной производной по времени на графе открытого дренажного канала моделирует мелиоративную систему: растительность на берегах создаёт нелокальные эффекты в распространении волны, и классическое уравнение второго порядка здесь не работает. Дробное телеграфное уравнение на топологии IEEE 14-bus, эталонной четырнадцатиузловой энергосистеме, описывает высокочастотные переходные процессы с эффектами памяти. Поскольку аналитического решения нет, корректность проверяли через вторичные физические ограничения: сохранение баланса в узлах и согласованность профилей на смежных рёбрах.

Все эксперименты прогоняли на трёх фиксированных случайных сидах по 500 эпох для честного сравнения, с последующим полным обучением лучшей инициализации. Железо скромное: NVIDIA T4 и P100, то есть фреймворку не нужны ни H100, ни кластер.

Обратные задачи: восстановление параметров из шума

Отдельная сильная сторона PINN-подхода — обратные задачи. Допустим, вы измеряете давление или напряжение в двухстах точках сети, но не знаете точные параметры модели: порядки дробных производных или коэффициент переноса. Классическому солверу здесь тяжело, а QGPINNs решает это через метод set_inverse(): неизвестные параметры просто объявляются обучаемыми переменными и оптимизируются вместе с весами сети.

В эксперименте авторы взяли 200 случайных точек на ребро, добавили гауссов шум и стартовали с намеренно неточных догадок: α̂=1.2 вместо 1.5, β̂=0.2 вместо 0.5, V̂=0.6 вместо 1.0. За 6000 итераций без шума фреймворк восстановил α̂=1.4954, β̂=0.5032 и V̂=1.0014. При однопроцентном шуме в данных оценки остались на уровне 1.4929, 0.4997 и 0.9983. Даже пятипроцентный шум, что для полевых измерений уже серьёзно, дал 1.4947, 0.4961 и 0.9938: худшая ошибка по параметрам меньше одного процента.

Для практики это значит, что по разрозненным показаниям датчиков в сети можно калибровать физическую модель целиком, включая такие тонкие вещи, как эффективный порядок дробной производной, который физически отвечает за «глубину памяти» среды.

Зачем это нужно за пределами математики

Методы вроде QGPINNs сидят на стыке двух трендов. Первый — перенос physics-informed подхода с игрушечных геометрий на реальные сетевые системы: энергетика, гидрология, транспорт, биология. Второй — рост интереса к нелокальным моделям, поскольку данные всё чаще показывают, что память и дальнодействие в физических системах — норма, а не исключение.

Стоит разграничить QGPINNs и графовые нейросети (GNN), с которыми фреймворк легко перепутать по названию. GNN учится на размеченных данных и предсказывает свойства узлов и рёбер: классификация молекул, рекомендации, прогноз трафика. QGPINNs не учится на данных вовсе в прямой задаче: ему нужны только уравнение, топология и граничные условия, а «обучение» — это минимизация физической невязки. Данные подключаются лишь в обратной постановке, когда по ним восстанавливаются параметры. Это принципиально другой режим: GNN интерполирует закономерности выборки, а PINN решает уравнение, которое описывает систему.

Для инженера выгода прямая: не нужно строить и стыковать сетки на сложной топологии, прямую и обратную задачи решает один и тот же код, а зашумлённые данные — не препятствие, а рабочий режим. Для исследователя открыт модульный стенд: меняешь оператор на ребре, топологию или набор обучающих стратегий и получаешь новый эксперимент без переписывания ядра.

Ограничения тоже честно обозначены: текущая реализация сфокусирована на эллиптических и дробно-эволюционных уравнениях, и хотя модульность позволяет расширения, экзотические постановки потребуют ручной работы.

Часто задаваемые вопросы

Чем QGPINNs отличается от обычного PINN?

Обычный PINN аппроксимирует решение одной сетью на сплошной области. QGPINNs использует отдельную сеть на каждое ребро графа и связывает их через лосс с условиями Кирхгофа-Неймана в вершинах. Плюс встроены стратегии для дробных операторов: захват сингулярности и Fourier-признаки.

Нужен ли мощный GPU для запуска?

Нет. Все эксперименты в статье выполнены на NVIDIA T4 и P100 — это ускорители уровня облачных free-tier. Полный набор улучшений добавляет около 141 МБ видеопамяти к базовому варианту, а эпоха занимает доли секунды.

Что даёт дробная производная по сравнению с обычной?

Она вводит память: решение зависит от всей предыстории процесса, а не только от текущего состояния. Это критично для аномальной диффузии в пористых средах, вязкоупругих материалах и высокочастотных процессов в энергосетях, где целочисленные модели систематически расходятся с измерениями.

Итог

QGPINNs показывает, что physics-informed нейросети выросли из демонстраций на квадратных областях в инструмент для реальных сетевых систем. Отдельная сеть на ребро, единый графовый лосс и четыре обучающие стратегии дают точность 10⁻⁵ там, где стандартный подход застревает на 10⁻², а встроенная поддержка обратных задач восстанавливает параметры модели даже из пятипроцентного шума. Если ваша предметная область — сети любого рода, от электросетей до каналов, фреймворк стоит посмотреть в исходной статье на ArXiv: авторы обещают, что для старта не нужно глубоко знать PyTorch.